论文部分内容阅读
遗传算法(Genetic Algorithm,简称GA)是由美国学者John Holland于1975年提出的一种基于达尔文生物进化论的概率性迭代搜索算法,对于用传统方法难以求解的复杂问题,如组合优化、模式识别、图像处理等复杂问题,使用该算法求解能得到令人较为满意的解。近年来,遗传算法在解决连续变量的函数最优化问题和离散变量的组合最优化问题时表现出的鲁棒性、全局性、隐并行性和自适应性使其成为目前应用广泛的一种智能优化算法。近年来随着国家经济的快速发展,能源的消耗量逐渐增大,节能降耗成为一项基本的国策。火力发电企业在难以提高上网电价或增加上网电量的情况下,提高经济效益的可行途径就是提高管理水平、降低发电成本。火力发电企业的生产过程是一个化学变化和物理变化综合的过程,在相同的产出下,每台锅炉或机组设备因工况的不同而需要不同的生产成本,这样就加大了成本计算的复杂度,寻优过程用常规的搜索方法无法有效地进行求解。但如今正迅速发展的按自然法则计算的思想在求解大规模组合优化问题时表现出非凡的潜力,其中遗传算法就是其中的一个分支。使用遗传算法解决火力发电企业的各个生产环节的组合优化问题,提高企业管理水平,降低企业发电成本,进而提高经济效益也就成为了众多研究人员的研究目标。遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机优化搜索算法,具有简单、通用、稳健和鲁棒等特性,能以概率收敛到问题的全局最优解,而且在对问题求解时几乎不需要知道所求问题的任何知识。但也正是由于这一点,遗传算法不能充分利用问题本身的相关信息,影响了求解具体问题时的效率。因此,在研究利用遗传算法求解发电厂成本问题时应该还存在很大的改进空间,这也是本文提出用改进的遗传算法求解发电企业成本问题的主要的目的和意义。本文在对遗传算法和发电企业成本核算进行分析研究的基础上,以某火力发电企业的日常成本分析为背景,将改进的遗传算法融入发电企业作业成本分析问题,并应用于发电企业成本分析实际,通过进行企业成本核算与比较,验证了基于改进遗传算法的发电企业作业成本分析策略的实效性。论文首先介绍了遗传算法的发展历史和研究现状以及目前的应用等,对遗传算法的相关概念和基本理论以及算法的基本步骤进行了综述,对标准遗传算法进行了简要的分析,并结合文章所研究领域的对象特性,即火力发电厂成本核算的过程特征,着重介绍了有针对性的改进遗传算法;其次通过对作业成本法在火力发电企业成本核算问题中的实施方法和应用价值分析,在介绍作业成本法在企业经营管理中的实施过程等相关内容的基础上,根据作业成本法的计算方式和方法,以某典型火力发电企业为对象,归纳出了具有实际应用价值的火力发电企业的成本计算数学模型,并根据这一数学模型提出了基于改进遗传算法的作业成本分析机制,结合实际应用对作业成本法中的相关动因进行了系统分类,并按照不同动因在成本计算中的不同比重进行了动因的分级,从而引入了多群体多分级改进遗传算法进行成本的优化计算,在传统遗传算法的基础上进行种群分类以提高种群的多样性,对难以计量和测定的单体动因使用遗传算法完成最优解的搜索,同时对每个种群进行分级以提高遗传算法的收敛速度。最后,使用C#、Delphi混合编程进行算法实现,并构建了基于改进遗传算法的火力发电企业作业成本分析系统。这一系统在济宁某火力发电企业的实际应用结果表明:使用该算法能有效的提高计算速度、优化计算结果。在此基础上,该系统还根据企业的生产实际需求进行算法演变,以适应种群数量和各种群级别的变换,并得出较优的种群数量和种群级别数,为进一步提升算法的应用价值奠定了基础。